如何使用LangChain自定义agent的制作（1） - 自定义一个可以执行 SQL 查询的 Agent

---

前言

之前我们一块学习了
如何使用LangChain库使用大模型与SQL数据库进行交互
文章末尾说了要写一个自定义的 agent 把我们的代码包进去，今天我们一块来尝试写一个自定义agent

一、准备工作梳理

要使用 LangChain 自定义一个可以执行 SQL 查询的 Agent，需要完成以下几个步骤：

1） 安装依赖包：确保你已经安装了 langchain、SQLAlchemy 和其他必要的包。

2） 设置数据库连接：使用 SQLAlchemy 连接到你的数据库。

3） 自定义 Agent：创建一个 Agent，它可以解析用户输入的 SQL 查询并执行。

4） 运行示例：通过运行一个示例，验证你的 Agent 是否工作正常。

下面是一个完整的示例代码，演示如何实现这一点。

一、 安装依赖包

首先安装必要的 Python 包：

pip install langchain sqlalchemy

二、 设置数据库连接

创建一个 Python 文件（如 sql_agent.py），并设置数据库连接。这里以 SQLite 为例：

from sqlalchemy import create_engine

# 设置数据库连接
engine = create_engine('sqlite:///example.db')

# 创建一个示例表并插入一些数据
with engine.connect() as connection:
    connection.execute("""
    CREATE TABLE IF NOT EXISTS users (
        id INTEGER PRIMARY KEY,
        name TEXT,
        age INTEGER
    )
    """)
    connection.execute("""
    INSERT INTO users (name, age) VALUES
    ('Alice', 30),
    ('Bob', 25),
    ('Charlie', 35)
    """)

三、 自定义 Agent

定义一个 LangChain 的 Agent，它可以执行 SQL 查询并返回结果：

from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
from sqlalchemy.orm import sessionmaker

# 创建数据库会话
Session = sessionmaker(bind=engine)
session = Session()

# 定义执行SQL查询的工具函数
def execute_sql_query(query):
    try:
        result = session.execute(query)
        return result.fetchall()
    except Exception as e:
        return str(e)

# 定义LangChain的工具
sql_tool = Tool(
    name="SQL Executor",
    func=execute_sql_query,
    description="Executes SQL queries and returns the result"
)

# 初始化LangChain的LLM
llm = OpenAI(api_key="YOUR_OPENAI_API_KEY")

# 创建自定义Agent
agent = initialize_agent(
    tools=[sql_tool],
    llm=llm,
    agent_type="zero_shot",
    prompt_template=PromptTemplate(
        template="You are an SQL agent. Execute the following SQL query: {query}",
        input_variables=["query"]
    )
)

四、 运行示例

使用自定义的 Agent 执行 SQL 查询：

def main():
    query = "SELECT * FROM users WHERE age > 30"
    result = agent({"query": query})
    print(result)

if __name__ == "__main__":
    main()

五、 完整代码

将以上所有代码合并到一个文件中：

# sql_agent.py

from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker
from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI

# 设置数据库连接
engine = create_engine('sqlite:///example.db')

# 创建数据库会话
Session = sessionmaker(bind=engine)
session = Session()

# 创建一个示例表并插入一些数据
with engine.connect() as connection:
    connection.execute("""
    CREATE TABLE IF NOT EXISTS users (
        id INTEGER PRIMARY KEY,
        name TEXT,
        age INTEGER
    )
    """)
    connection.execute("""
    INSERT INTO users (name, age) VALUES
    ('Alice', 30),
    ('Bob', 25),
    ('Charlie', 35)
    """)

# 定义执行SQL查询的工具函数
def execute_sql_query(query):
    try:
        result = session.execute(query)
        return result.fetchall()
    except Exception as e:
        return str(e)

# 定义LangChain的工具
sql_tool = Tool(
    name="SQL Executor",
    func=execute_sql_query,
    description="Executes SQL queries and returns the result"
)

# 初始化LangChain的LLM
llm = OpenAI(api_key="YOUR_OPENAI_API_KEY")

# 创建自定义Agent
agent = initialize_agent(
    tools=[sql_tool],
    llm=llm,
    agent_type="zero_shot",
    prompt_template=PromptTemplate(
        template="You are an SQL agent. Execute the following SQL query: {query}",
        input_variables=["query"]
    )
)

def main():
    query = "SELECT * FROM users WHERE age > 30"
    result = agent({"query": query})
    print(result)

if __name__ == "__main__":
    main()

运行 sql_agent.py 文件，Agent 将执行指定的 SQL 查询并返回结果。确保你替换 "YOUR_OPENAI_API_KEY" 为你的实际 OpenAI API 密钥。

六、使用agent的好处

将功能封装成一个 Agent 有许多好处，特别是在使用 LangChain 框架和执行 SQL 查询的情况下：

1. 模块化和可重用性

• 封装和抽象：将功能封装成 Agent 可以将复杂的逻辑抽象出来，使得代码更加模块化。这样可以更容易地理解、维护和扩展。
• 代码复用：封装好的 Agent 可以在不同的项目或不同的部分中重复使用，而无需重新实现相同的逻辑。

2. 扩展性

• 添加新功能：当需要添加新的功能时，只需在现有的 Agent 上进行扩展，而不需要大规模修改原有代码。
• 插拔式设计：你可以轻松地添加或替换工具，或修改 Agent 的行为，而不影响整体系统。

3. 简化复杂性

• 简化主逻辑：主逻辑只需要调用 Agent，而不需要处理具体的实现细节，使得主逻辑更加简洁和清晰。
• 责任分离：将不同的功能分离到不同的 Agent 或工具中，可以让每个部分专注于自己的功能，从而减少代码的复杂性和耦合度。

4. 增强可维护性

• 易于调试和测试：由于 Agent 封装了特定的功能，测试和调试可以集中在 Agent 的输入和输出上，简化了调试过程。
• 清晰的接口：Agent 提供了清晰的接口，其他部分只需与接口交互，而无需了解具体的实现细节。

5. 集成大语言模型的能力

• 自然语言处理：通过封装，Agent 可以轻松集成大语言模型（如 OpenAI），实现自然语言理解和生成能力，使得系统能够处理更加复杂和自然的用户请求。
• 动态生成查询：利用大语言模型，Agent 可以根据用户的自然语言请求动态生成 SQL 查询，从而使系统更加智能和灵活。

6. 易于扩展到其他任务

• 多任务处理：一个 Agent 可以包含多个工具，处理不同的任务（如 SQL 查询、数据处理、API 调用等），从而实现多任务处理能力。
• 跨领域应用：Agent 的设计可以适用于不同的领域和应用场景，通过配置和扩展，可以快速适应新的需求。

继续思考

上面的sql是我们直接给出来的，可不可以使用我们之前一起学习的方法，将sql自动生成呢？后续继续讨论